Skip to content

PERTEMUAN 12

Prosedur Analitis & Sampling dalam Audit SI

🎯 Learning Objectives

Setelah mengikuti pertemuan ini, mahasiswa mampu:

  • Memahami konsep dan tujuan Prosedur Analitis
  • Mengidentifikasi jenis-jenis prosedur analitis
  • Memahami konsep Audit Sampling
  • Membedakan statistical dan non-statistical sampling
  • Menentukan pendekatan sampling yang tepat dalam audit SI

1. Audit Sampling

1.1 Audit Inherent Problem (The Trilemma)

Auditor tidak mungkin mengaudit semuanya.

Keterbatasan: - Transaksi sangat banyak - Waktu audit terbatas - Tim audit terbatas - Data tidak selalu terstruktur

Konsekuensi: Audit memberikan reasonable assurance, bukan absolute assurance.

Auditor cannot audit everything.
Therefore β†’ Auditor uses sampling.

1.2 Reasonable Assurance

Karena tidak mungkin memeriksa seluruh populasi:

  • Auditor memilih sebagian transaksi
  • Menggunakan teknik statistik atau berbasis risiko
  • Menarik kesimpulan atas populasi

Contoh: Daripada memeriksa 1.000.000 transaksi: - Auditor memeriksa 100–200 transaksi terpilih - Jika sampel bersih β†’ populasi kemungkinan wajar - Jika bermasalah β†’ perlu perluasan pengujian

1.3 Traditional vs Data-Driven Sampling

A. Traditional Sampling

  • Random sampling
  • Stratified sampling
  • Fokus pada representativeness
  • Cocok untuk audit laporan keuangan

Kelemahan: - Bisa melewatkan transaksi berisiko tinggi

B. Anomaly-Based Sampling (Data Driven)

Pendekatan: 1. Identifikasi pola tidak wajar (anomali) 2. Fokus uji pada transaksi tersebut

Contoh anomali: - Nilai sangat besar - Angka bulat berulang - Vendor baru dengan transaksi signifikan - Lonjakan mendadak - Nilai jauh dari mean/median

Keunggulan: Risk-based & lebih tajam.

1.4 Sampling dalam Tahapan Audit

Sampling digunakan pada:

1️⃣ Audit Planning

Menentukan area fokus audit

2️⃣ Test of Design (ToD)

Memastikan kontrol didesain dengan baik

3️⃣ Test of Effectiveness (ToE)

Memastikan kontrol berjalan konsisten

4️⃣ Substantive Test

Memilih transaksi untuk pengujian bukti

1.5 Data Analytics & Test of Effectiveness

Pendekatan modern: - Tidak hanya observasi langsung - Gunakan historical data - Uji seluruh populasi (bukan sampel)

Tujuan ToE: Memastikan kontrol berjalan selama periode audit.

Effectiveness must be proven using historical data.

1.6 Audit Sampling di Excel

Fungsi Random

=RAND()
=RANDBETWEEN(bottom, top)

Random Tanpa Duplikasi

=INDEX($B$2:$B$10;RANDBETWEEN(1;ROWS($B$2:$B$10));1)

Digunakan untuk memilih sampel secara acak.

2. Anomaly Detection

2.1 Apa Itu Anomali?

Anomali = penyimpangan dari kondisi normal.

Sinonim: - Outliers - Irregularities - Exceptions

Namun:

❌ Anomali β‰  otomatis temuan
βœ… Anomali = indikasi yang perlu diteliti lebih lanjut

2.2 Ilustrasi Sederhana

Contoh 1 – Tinggi Badan: 163, 172, 155, 158, 164, 161, 198, 159
β†’ 198 terlihat sebagai outlier.

Contoh 2 – Usia: 20, 21, 20, 22, 14, 19, 21, 21
β†’ 14 terlihat tidak wajar.

Pertanyaan auditor: - Parameter normalnya apa? - Apakah memang salah? - Apakah ada penjelasan bisnis?

2.3 Konteks TABK

Dalam TABK:

Data β†’ Analisis Data β†’ Sampling β†’ Uji Substantif

Artinya: Sampling bukan memilih data yang diuji, tetapi menentukan transaksi mana yang perlu bukti audit lebih lanjut.

3. Analisis Deskriptif untuk Deteksi Anomali

3.1 Tujuan Analisis Deskriptif

  • Mendapatkan insight
  • Melihat pola umum
  • Identifikasi risiko signifikan
  • Deteksi potensi anomali

3.2 Statistik Deskriptif (Excel)

Langkah: 1. Enable Analysis ToolPak 2. Data β†’ Data Analysis β†’ Descriptive Statistics 3. Centang: - Summary Statistics - Confidence Level

Output penting: - Mean - Median - Standard Deviation - Skewness - Kurtosis - Range

3.3 Rules of Thumb Outlier

Outlier β‰ˆ berada di luar:

Mean Β± 3 Γ— Standard Deviation

Catatan: Jika data sangat skewed β†’ metode ini kurang akurat.

4. Visualisasi untuk Anomali

4.1 Histogram

Menunjukkan distribusi data.

Distribusi Normal: - 68% dalam Β±1Οƒ - 95% dalam Β±2Οƒ - 99.7% dalam Β±3Οƒ

Skewness

  • Positive skew β†’ ekor kanan panjang
  • Negative skew β†’ ekor kiri panjang

Kurtosis

  • Tinggi β†’ data terkonsentrasi (leptokurtic)
  • Rendah β†’ lebih datar (platykurtic)

4.2 Scatterplot

Menunjukkan hubungan 2 variabel.

Outliers terlihat sebagai titik jauh dari cluster utama.

4.3 Boxplot

Menampilkan: - Median - Q1 & Q3 - IQR - Outliers (titik di luar whisker)

5. Benford’s Law

5.1 Konsep

Digit pertama tidak muncul secara merata.

Rumus: 

P(d) = log10(1 + 1/d)

Distribusi digit pertama: 1 β†’ ~30% 2 β†’ ~17% ... 9 β†’ ~4%

5.2 Cocok Digunakan Jika:

  • Data hasil perhitungan matematis
  • Level transaksi
  • Data besar
  • Skewness positif
  • Mean > Median

Contoh: - Penjualan - Piutang - Beban - Disbursement

5.3 Kurang Cocok Jika:

  • Nomor urut (cek, invoice)
  • Harga psikologis (99.900)
  • Batas minimum/maksimum
  • Tidak ada transaksi tercatat

5.4 Ketidaksesuaian Benford Bisa Mengindikasikan:

  1. Data tidak lengkap
  2. Sampel tidak representatif
  3. Pembulatan berlebihan
  4. Kesalahan data
  5. Fraud potential

6. Mindset Auditor

Sebelum: - Data = fakta - Output sistem = benar

Sesudah: - Data = klaim - Output sistem = harus divalidasi - Anomali = indikasi, bukan kesimpulan

Kesimpulan

Sampling β†’ Efisiensi audit
Anomali β†’ Fokus risiko
Data analytics β†’ Audit lebih kuat

Auditor modern = Data-driven risk analyst